Quality-driven end-to-end restoration system for underwater images using a self-supervised convolutional neural network

Abstract

O avanço tecnológico tem nos permitido extrair informações e analisar os mais variados tipos de ambientes. O meio subaquático está incluído nesse conjunto de lugares e tem sido amplamente estudado nos últimos anos devido a áreas emergentes de pesquisas subaquáticas. No entanto, existem algumas razões pelas quais estudar neste ambiente se torna um desafio. Estruturas presentes debaixo d’água, como as de sítios arqueológicos, muitas vezes não podem ser movidas para fora desse meio, pois podem perder suas propriedades e, consequentemente, serem danificadas. Além disso, imagens tiradas nesses ambientes possuem qualidade muito baixa em comparação com imagens de fora d’água. O ambiente subaquático causa diversos efeitos durante o processo de aquisição da imagem. Raios de luz são espalhados e absorvidos enquanto viajam até o sensor da câmera. A presente dissertação propõe um método de restauração de imagens de cenas subaquáticas baseado na extração de parâmetros utilizando redes neurais convolucionais (CNNs) combinada com métricas de qualidade de imagem. Os parâmetros extraídos da imagem subaquática original são aplicados ao modelo de formação da imagem para recuperar a radiância original da imagem. Não são necessários dados rotulados, já que a rede é treinada com base apenas nas métricas de qualidade calculadas usando as imagens subaquáticas original e restaurada. A metodologia proposta se sobressaiu em 60% dos casos em comparação às demais abordagens apresentadas quando aplicadas na restauração de imagens subaquáticas, levando em consideração a métrica UCIQE. Além disso, dois conjuntos de imagens subaquáticas são apresentados, adquiridos num processo planejado e direcionado ao problema de restauração de imagens subaquáticas.